多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡，同时，积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料，但不同数据之间存在着明显差异。基于多源雪深数据的评估，特别是空间特性的评估还很缺乏。因此，本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据，以站点观测数据为参考真值，对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好，适合用于我国北方的雪深研究；②MERRA2在西北和东北积雪区也有较好的表现，但由于其分辨率较粗，缺乏细节的空间信息，因此认为比较适用于大区域的统计分析；③AMSR-E在我国中部和东南地区表现最好，因此认为适合我国中部及东南部的雪深研究。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡,同时,积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料,但不同数据之间存在着明显差异。基于多源雪深数据的评估,特别是空间特性的评估还很缺乏。因此,本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据,以站点观测数据为参考真值,对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示:①WESTDC在我国西北及东北积雪区表现较好,适合用于我国北方的雪深研究;②MERRA2在西北和东北积雪区也有较好的表现,但由于其分辨率较粗,缺乏细节的空间信息,因此认为比较适用于大区域的统计分析;③AMSR-E在我国中部和东南地区表现最好,因此认为适合我国中部及东南部的雪深研究。     

基于FY3B-MWRI数据新疆区域积雪深度反演

积雪深度不仅用于研究地表辐射平衡,还可以研究积雪的水文效应,是天气和水文模型运行的必要参数,同时,积雪深度监测在融雪径流预报、水资源管理以及洪水控制方面都具有重要作用。我国现有积雪深度反演算法所依据的站点数据主要分布在我国中部、东部、南部,而在西北的新疆地区站点数据相对较少,因此造成了现有算法在新疆地区的雪深反演精度较差。选择新疆地区作为研究区,以FY3B-MWRI为数据源,根据该地区的地形特征和地面土地覆盖类型特征,利用回归分析方法,研究了该区域内林地、农田和草地3种土地覆盖类型的积雪深度反演算法,并结合地面实测积雪深度数据,对算法精度进行验证。结果显示,林地、农田和草地3种土地覆盖类型的雪深反演结果的R2与RMSE分别为0.758,2.58、0.729,3.21、0.854,5.70,表明该算法对新疆地区积雪深度反演得到了较高的反演精度。     

AMSR-E积雪产品在内蒙地区的精度验证

使用地面积雪观测数据对2005年～2008年40°N～48°N、112°E～128°E区域的AMSR-E积雪产品进行了误差分析和精度验证,结果表明:2005年～2008年的AMSR-E积雪产品较好地反映了研究区域地面积雪信息的时间变化特征;AMSR-E积雪产品普遍地低估了地面积雪深度,相对而言,当地面积雪较薄时,AMSR-E可较好地反映积雪深度,当积雪较厚时,AMSR-E明显低估积雪深度;2005年～2006年、2006年～2007年以及2007年～2008年3个冬-春季时段AMSR-E和站点观测值的平均差值分别达7.38cm,6.87cm和22.07cm。     

基于多源数据的阿勒泰地区雪深反演研究

利用阿勒泰地区 2010~2012年冬季(11月~次年2月)3类积雪数据:风云三号微波成像仪(FY\|3/MWRI)反演的雪深数据、美国人机交互式多仪器冰雪制图系统(IMS)积雪面积数据、阿勒泰及周边地区实测雪深数据,进行积雪深度的反演研究。通过结合3类积雪数据的各自优势,建立修正模型,最终得到较准确的研究区雪深数据。同时通过编程实现了相应模型的操作平台,为今后研究区积雪业务化监测做好准备。结果表明:模型提高了FY\|3/MWRI数据反演阿勒泰地区积雪深度的准确性,改善了FY\|3/MWRI数据在阿勒泰地区雪深反演偏低的缺点,使微波与实测平均雪深误差由修正前的21.7~12.1 cm缩小为修正后的3.7~1.5 cm。     

利用实测资料评估被动微波遥感雪深算法

利用SSM/I微波亮温数据,结合地面站点实测资料,比较Chang算法和Che算法在前苏联、中国及蒙古境内6种不同积雪类型的反演精度,结果表明:被广泛应用于全球雪深反演的Chang算法低估了前苏联境内雪深7.6cm,相对误差为-24.3%,而分别高估中国及蒙古境内雪深9.2cm与11.4cm,相对误差分别为108.8%和180.9%,区域反演效果很差;针对中国境内积雪的Che算法严重低估前苏联境内雪深,整体低估21.3cm,相对误差为-68.6%,RMSE为31.4cm;在中国及蒙古境内反演效果有所改善。6个积雪类型中,植被较单一,地形较平坦的苔原型积雪和草原型积雪雪深的反演效果较好。随着纬度和积雪深度的增加被动微波雪深反演有由高估变为低估的趋势。Che算法反演的雪深大体以40°N为界,以北表现为低估,以南表现为高估,另一方面,整体上该算法在雪深低于6.7cm时表现为低高估,高于6.7cm表现为低估;因此,全球算法应用到局部地区需要进行修正,不同下垫面性质以和气候条件下形成的积雪的被动微波反演应区别对待。     

卫星遥感西藏高原积雪时空变化及影响因子分析

积雪是气候变化的指示器,其变化对地球能量和辐射平衡以及水分循环产生深刻的影响。研究积雪与气候变化的关系是气候变化区域响应的最好实证。利用2000年3月~2011年2月共11 a的MODIS雪盖产品数据、1979~2010年逐日雪深被动微波遥感数据、DEM数据以及地面气象观测数据,通过GIS空间分析及地统计分析功能,系统分析西藏高原雪深、雪盖和雪线的时空变化规律及其对气候变化的响应关系。研究表明:研究区雪深的分布形成了四周山地积雪深度大,中部腹地雪深小的空间格局。1979~1999年平均雪深呈极显著增加趋势,线性倾向率为0.26 cm/10a,1999~2010年则呈下降趋势。逐像元回归分析结果显示,研究区年积雪深度呈增加趋势的像元数占全区像元总数的76.9%,有减少趋势的仅占23.1%;雪盖面积变化总体呈缓慢波动减少趋势,线性倾向率为-3.89万km²/10a;7、8月在中东部念青唐古拉山、南部喜马拉雅山、冈底斯山和昆仑山等山脉一带以及高原腹地局部地区仍存在大面积常年积雪;雪线年平均呈微弱上升趋势,线性倾向率为6.54 m/10a,各季节平均雪线中,秋季雪线的变化对年平均贡献最大;雪线空间分布呈现从东南向西北逐步升高的态势。积雪参数与气候因素的相关分析表明,雪深春秋季主要受风速和日照时数影响,夏冬季则分别是降水量和风速;气温是影响四季积雪覆盖面积的主导因素,春秋季雪线与气温分别呈正相关和负相关。     

色林错、纳木错湖区被动微波雪深反演算法评估

被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径,但由于缺乏地面雪深观测资料,导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性,利用AMSR2亮温数据和地面站点雪深数据,以相关系数、偏差和均方根误差作为评价指标,评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示,Jiang算法综合表现最好,在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好,其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好,在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想,对雪深高估明显,其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大,在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外,其余算法均低估了研究区雪深,与以往研究结果一致。     

基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法（SDD）。基于该算法获取了北疆地区500 m空间分辨率的雪深数据（SDDsd）,并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明：基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R²为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。     

中国地区AVHRR长时间序列积雪范围产品精度评估

积雪是冰冻圈重要的组成部分,积雪面积在地表的积累和消融影响着水资源的平衡以及生态环境的变化,进而影响社会经济的发展。目前由日本宇航局发布的JASMES系列产品包含一套北半球自1978年以来长时间序列的AVHRR逐日积雪范围产品,可以作为气候和水文模型的重要输入,然而该产品在中国地区的精度尚未被评估。以高分辨率Landsat-5TM数据和气象台站雪深观测数据两种手段通过构建误差矩阵和一致性检验方法来评价JASMES积雪范围产品在我国三大积雪区(北疆,东北和青藏高原)的总体精度。研究结果表明:使用Landsat-5TM积雪面积二值图进行验证时,东北、北疆和青藏高原地区的总体精度分别为66.3%、69.3%和49.5%,积雪识别的漏分误差均较为严重,混合像元以及积雪消融时间过短严重地降低了青藏高原地区的总体评估精度;在积雪季逐月分析中,JASMES积雪产品由于地形的影响,青藏高原地区总体评估精度低于北疆和东北地区,消融过快的特性进一步降低了评估的总体精度。结合气象站点数据验证时,当雪深阈值为9cm时,青藏高原、北疆和东北地区总体精度分别为94.2%、67.8%和77.8%,青藏高原地区对非雪像元的识别精度达到98.9%;随着站点积雪覆盖日数的增加,其总体精度均呈下降的趋势,漏分积雪情况较为严重,存在多分陆地,少分积雪的现象。综上所述,JASMES积雪产品在青藏高原、北疆和东北地区均存在漏分积雪比较严重的现象,青藏高原地区积雪漏分现象最为突出。     

风云三号微波成像仪积雪参数反演算法初步研究

选择新疆地区作为实验区,为风云三号(FY-3)微波成像仪(MWRI)发展中国区域的积雪参数半经验反演算法。使用2003年4个月的新疆地区的台站观测资料和AMSR-E 18.7 GHz,36.5GHz和89 GHz水平和垂直极化亮温作为FY-3 MWRI的模拟数据,在Chang建立的半经验模型的基础上,采用多元线性回归分析,建立一个新算法。用已有方法去除水体、降雨、湿雪、冻土的像元后,用新算法反演了新疆地区的2004年1月的积雪参数,并分别与AMSR-E雪水当量产品和台站观测值进行比较,结果表明新算法在新疆地区优于AMSR-E的反演算法。     

Toward improved daily snow cover mapping with advanced combination of MODIS and AMSR-E measurements

Taking three snow seasons from November 1 to March 31 of year 2002 to 2005 in northern Xinjiang, China as an example, this study develops a new daily snow cover product (500 m) through combining MODIS daily snow cover data and AMSR-E daily snow water equivalent (SWE) data. By taking advantage of both high spatial resolution of optical data and cloud transparency of passive microwave data, the new daily snow cover product greatly complements the deficiency of MODIS product when cloud cover is present especially for snow cover product on a daily basis and effectively improves daily snow detection accuracy. In our example, the daily snow agreement of the new product with the in situ measurements at 20 stations is 75.4%, which is much higher than the 33.7% of the MODIS daily product in all weather conditions, even a little higher than the 71% of the MODIS 8-day product (cloud cover of ~ 5%). Our results also indicate that i) AMSR-E daily SWE imagery generally agrees with MOD10A1 data in detecting snow cover, with overall agreement of 93.4% and snow agreement of 96.6% in the study area; ii) AMSR-E daily SWE imagery underestimates the snow covered area (SCA) due to its coarse spatial resolution; iii) The new snow cover product can better and effectively capture daily SCA dynamics during the snow seasons, which plays a significant role in reduction, mitigation, and prevention of snow-caused disasters in pastoral areas.     

区域尺度雪深验证数据的加密研究

在区域尺度的微波遥感雪深反演中,由于气象站点的稀少和分布不均匀,导致雪深数据真实性检验难以进行,本文提出使用克里金插值法来解决这一问题,并证明了插值结果作为AMSR-E雪深反演验证数据的可靠性和可行性。     

被动微波遥感在青藏高原积雪业务监测中的初步应用

积雪范围、积雪深度和雪水当量等参数的遥感监测与反演对气候模式的建立以及积雪灾害的评估具有重要意义。被动微波遥感在这些参数的反演方面具有明显优势,但目前尚未应用到青藏高原地区的积雪遥感业务监测上来。2001年10月至2002年4月,利用SSM/I数据对青藏高原地区的积雪范围和积雪深度进行了实时监测,为西藏、青海遥感应用部门提供逐日的雪深分布图。对这次监测的总效果进行了分析和评价,并对发生在青海省内一次较大的降雪过程进行了遥感分析,结果表明:SSM/I反演的积雪范围变化趋势与MODIS结果总体上较为一致;SSM/I的雪深监测结果为当地遥感部门对大于10 cm的雪深做出正确判断提供了重要信息,是对雪灾定位的重要信息源。     

Study of Monitoring Snow Cover Using GOESGeostationary Satellite and AMSR-E

Snow cover is an important variable in global climate change research and meteorological applications.In this paper,we use visible and infrared bands of GOES-12(Geostationary Operational Environmental Satellite) geostationary satellite and AMSR-E(Advanced Microwave Scanning Radiometer for the Earth Observing System) to monitor snow cover in east of USA and discuss the application method.Snow index,multi-temporal data combination and decision-tree classification are used in monitoring the snow cover.Temporal stability test and climatic surface temperature test are used to further discriminate snow and cloud.Snow cover result also combined with AMSR-E daily snow products to remove the cloud effect.This method performs well in monitoring snow cover which removes more cloud and get more information of the surface.Using NOAA/NESDIS IMS daily snow cover products and station observations to compare and validate the snow cover images,the accuracy is about 86% and 90%,respectively.The operational geostationary satellites of China are FY-2D/2E,which have the same band information of GOES.This method can be used in monitoring snow cover of China in further study.     

Accuracy assessment of MODIS,NOAA and IRS data in snow cover mapping under Himalayan conditions

Snow cover information is an essential parameter for a wide variety of scientific studies and management applications, especially in snowmelt runoff modelling. Until now NOAA and IRS data were widely and effectively used for snow‐covered area (SCA) estimation in several Himalayan basins. The suit of snow cover products produced from MODIS data had not previously been used in SCA estimation and snowmelt runoff modelling in any Himalayan basin. The present study was conducted with the aim of assessing the accuracy of MODIS, NOAA and IRS data in snow cover mapping under Himalayan conditions. The total SCA was estimated using these three datasets for 15 dates spread over 4 years. The results were compared with ground‐based estimation of snow cover. A good agreement was observed between satellite‐based estimation and ground‐based estimation. The influence of aspect in SCA estimation was analysed for the three satellite datasets and it was observed that MODIS produced better results. Snow mapping accuracy with respect to elevation was tested and it was observed that at higher elevation MODIS sensed more snow and proved better at mapping snow under mountain shadow conditions. At lower elevation, IRS proved better in mapping patchy snow cover due to higher spatial resolution. The temporal resolution of MODIS and NOAA data is better than IRS data, which means that the chances of getting cloud‐free scenes is higher. In addition, MODIS has an automated snow‐mapping algorithm, which reduces the time and errors incorporated during processing satellite data manually. Considering all these factors, it was concluded that MODIS data could be effectively used for SCA estimation under Himalayan conditions, which is a vital parameter for snowmelt runoff estimation.     

利用被动微波遥感数据反演我国积雪深度及其精度评

考虑到我国西部地区使用SSM/I全球算法将高估积雪深度,故以东经105°为界将我国分为东部和西部。在西部地区采用修正后的雪深算法,东部地区沿用全球算法。对散射系数较高,容易和积雪相混淆的降雨、寒漠和冻土地表类型,通过积雪分类树进行剔除,进而发展了一套适用于全国积雪深度的业务化反演方案。最后利用MODIS积雪产品对冬季90天的结果进行了精度评价,总体精度平均达到86.4%,最高精度达到95.5%,Kappa系数均值为65.5%,最大值达到86.2%。